Sammanfatta detta blogginlägg med:
Polestars 3 viktigaste slutsatser för datavisualisering och dashboards för konsumentprodukter i AI-eran:
- Visualisering är fortfarande avgörande eftersom människor är visuella inlärare, även när man integrerar AI-funktioner med traditionella dashboards.
- Nyanserna i CPG-dashboards genom att förstå grundpelarna i CPG-KPI:er, genomtänkt dashboarddesign och anpassning till den agentiska AI-eran.
- Datahantering blir avgörande för att anpassa sig till den nya miljön och ha ett ekosystem som driver implementering.
Nvidias rapport State of AI in Retail and CPG från 2024 visar hur den största potentialen för AI-påverkan finns på marknaden för förpackade konsumentvaror, särskilt när det gäller att förbättra den operativa effektiviteten, höja kundupplevelsen och driva tillväxt. Men det är inte bara de anpassade användningsfallen och lösningarna som AI har förbättrat, hela Data to Insights-livscykeln för förpackade konsumentvaror, tillsammans med BI, har påverkats.
I slutändan är vi människor fortfarande visuella varelser. Även när vi ställer frågor till en generativ AI-aktiverad chatbot kan svaret fortfarande bli en visualisering. Så varför inte förstå nyanserna för att veta hur man hanterar det?
Det första steget i din visualiseringsresa börjar med KPI:er. Löser det hälften av problemen att veta vad du vill? (även om det är den svårare hälften att arbeta med det)
Några nyckeltal som instrumentpaneler för konsumentproduktindustrin kan ha på en operativ och analytisk nivå är:
- Produktförsäljning per butik
- Lagernivåer för varje butik
- Produktmarginaler
- Hylltillgänglighet
- Leveranstid
- Leveransstatistik
- Kundlojalitet
- Preferensdata (varumärke kontra jag)
- Inventarier i lager
Några av nyckeltalen för strategiska och finansiella team är:
- Försäljningsintäkter kontra prognos
- Vinst per kund
- Produktförsäljning per geografiskt område
- Förändringar i försäljningsorder (per kvartal eller månad)
- Leveranskostnader
- Logistikkostnader i förhållande till intäkter
- Beräkningar av överlager, underlager och dödlager
Det här är bara några av de nyckeltal som är användbara för FMCG- eller CPG-industrin. Men det här är givetvis bara ett exempel, det kan finnas enklare eller komplicerade insikter du kan leta efter.
Om du är osäker på var du ska börja är en av de bästa processerna att identifiera acceptabla, rekommenderade och beundransvärda nyckeltal (KPI:er) som är lämpliga för din CPG-verksamhet. Om du är osäker, skicka ett meddelande till oss så kan våra CPG-analysexperter hjälpa dig med det.
Nu när du har bestämt dig för innehållet eller typen av innehåll du vill visa, kommer strukturen och placeringen av nyckeltalen. Normalt följer användare ett "Z"-mönster vid läsning, därför bör de viktigaste nyckeltalen placeras först och de mindre viktiga längst ner, som den i instrumentpanelen nedan:
Här är några tips för att visualisera konsumentprisdata (utöver de data och nyckeltal som måste representeras):
- Led med de "stora 3" -Börja din dashboard med tre kärnvärden som alla CPG-företag är besatta av: Distribution (% ACV), Slut i lager-grad och Andel av hyllplanen. Skriv dessa i stora, djärva siffror högst upp. Om något fall under målet (som OOS > 5%), se till att de blir röda.
- Bygg hastighetsnivåer -Gruppera butiker i försäljningshastighetsintervall baserat på försäljning per kvadratfot (som A: >750 USD/kvadratfot, B: 500–750 USD/kvadratfot, etc.). Låt sedan användarna filtrera alla instrumentpanelsmått efter dessa nivåer. Detta hjälper till att identifiera om problem (som slut i lager) främst uppstår i butiker med hög volym.
- Skapa ett planogram för hälsoscore -Kombinera mätvärden som hyllefterlevnad, noggrannhet i förpackningsstorlekar och tomrum i produkter till en enda poäng från 0–100 för varje planogram. Visa detta tydligt med veckotrender. Regionala chefer älskar detta för snabba butiksjämförelser.
- Inkludera spårning av "Aldrig ute" -Skapa en dedikerad sektion för dina 20 % största SKU:er som aldrig ska vara slut i lager. Visa deras nuvarande lagernivåer med tydliga varningströsklar. Jag har sett företag använda ett enkelt rött/gult/grönt system där gult utlöses om lagret sjunker under 3 dagars leveranstid.
Det är också viktigt att veta vilken typ av diagram man ska använda när det behövs. Användning av cirkeldiagram med hjälp av encirkeldiagramverktyg, stapeldiagram, staplade diagram, kombinationsdiagram, vattenfallsdiagram. kan skapa förvirring när användaren inte vet hur man läser diagrammen. Därför är det viktigt att hålla diagrammen så enkla som möjligt men också att förmedla så mycket information som möjligt. Här är en fusklapp ifall du letade efter en.
Källa:Implementeringsguide för Power BI
Framtiden kommer att vara en blandning av traditionella verktyg med AI, det kommer att vara samma sak med visualiseringar och agenter också. Ta vår generativa AI-aktiverade bot som exempel:
Aktivera AI-funktioner till dashboards med P. AI
Det bästa sättet att få ut det mesta av sådana agenter och bottar är att självklart ha godadatahanteringsmetoder, särskilt att skapa och underhålla semantiska modeller för generativ AI. Låt oss ta fem exempel inom konsumentproduktindustrin:
| Element |
Hänsyn |
Beskrivning |
Exempel |
| Dimensionstabeller |
Skapa stödjande beskrivande data |
Skapa dimensionstabeller som innehåller de beskrivande attributen relaterade till de kvantitativa måtten i faktatabellerna. |
Skapa tydliga etiketter som beskriver deras data: "Produktinformation", "Kundinformation" eller skapa metadata som är beskrivande. |
| Produkthierarkier |
Kartläggning av naturligt språk |
Strukturera produkthierarkier med hjälp av konsumentvänliga termer som matchar hur folk naturligt ställer frågor om produkter |
Använd "Kolsyrade läskedrycker > Cola > Light > 350 ml burk" istället för att använda interna koder som "CSB-COLA-D-12" |
| Kategoridefinitioner |
Marknadsanpassade grupperingar |
Definiera kategorier baserat på hur konsumenter och återförsäljare ser på produkter, inte interna klassificeringar |
Gruppera "Sportdrycker" och "Färskvatten" tillsammans eftersom konsumenter ofta jämför dessa, även om de internt är separata indelningar. |
| Försäljningsstatistik |
Konsekventa enhetsdefinitioner |
Standardisera hur ni mäter produktvolymer för olika förpackningsstorlekar och format |
Definiera "enhetsförsäljning" konsekvent - t.ex. använd alltid "likvärdiga fall" där 1 låda = 288 fl oz för alla förpackningstyper. |
Det handlar också om att omfamna den intelligens som finns där ute. Till exempel,
- Schemalägg dashboardsenligt den frekvens du behöver dem, som veckovisa och månatliga rapporter. Detta är inte bara bra för att visualisera data i ett tydligt format utan förbättrar också den övergripande dataanvändningen.
- Röststyrd datautforskning –Du kan ställa naturliga frågor som "Visa mig vilka smaker som underpresterar i Kalifornien" och få visualiseringen att justeras automatiskt. Detta gör komplex data tillgänglig för fältteam som kanske inte är dataexperter.
- Att använda verktyg somPower BI för att skapa rapporter från grunden, baserat på dina indata och KPI:er, är väldigt enkelt (särskilt med AI-funktionerna i Power BI).
Exemplen är inte bara begränsade till visualiseringar, du kan användaAI-agenterför automatisk avvikelsedetektering – istället för att vänta på människor kan du utlösa agenter för tidig upptäckt av avvikelser och mer.
Vi förstår att allt detta kan låta väldigt tråkigt, från att möjliggöra datahantering till att skapa stödjande CPG-applikationer som möjliggör beslutsfattande. Därför har vi introducerat1Platform, ett ekosystem som sömlöst stöder visualisering av CPG-data och AI.
Kortfattat kan du komma åt allt du behöver, från AI-aktiverade applikationer till AI-aktiverade dashboards, från samma plats.
Visualiseringsarkitektur för AI-eran med 1Platform
Med 1platform eliminerar vi behovet av att söka i flera rapporter. Istället ger vi dig med vår navigeringsdrivna Insight Portal en mycket tydlig avgränsning av vad du bör leta efter.
Det liknar att ha separata flikar för visualiseringar som: Leverans kontra Uttömning eller en flik för försäljningsöversikt.
Du kan gå djupare in på det baserat på dina behov.
Eller kommer de att vara så integrerade i våra arbetsflöden att vi knappt märker det längre? Eller någon blandad version av det? Vi får se.
Men för att anpassa sig till AI-eran måste man agera snabbt!!!
Prata med våraAI- och BI-experteridag för att diskutera dina behov ytterligare!
Ledare bör prioritera dashboards som direkt påverkar beslut om intäkter, tillgänglighet och lönsamhet. Istället för att spåra allt, fokusera på nyckeltal med hög effekt, som distribution, slutlager och marginaldrivare. Målet är att minska brus och säkerställa att varje dashboard driver en tydlig åtgärd, inte bara synlighet.
Implementeringen förbättras när dashboards är enkla, rollspecifika och integrerade i dagliga arbetsflöden. Ledare bör se till att dashboards svarar på verkliga affärsfrågor, är tillgängliga via intuitiva gränssnitt och stöds av utbildning och förändringshantering. AI-drivna gränssnitt som röstfrågor kan ytterligare förenkla användningen för icke-tekniska användare.
AI förbättrar visualisering genom att automatisera insikter, upptäcka avvikelser och möjliggöra interaktioner med naturligt språk. Istället för att manuellt analysera dashboards kan ledare förlita sig på AI för att lyfta fram viktiga trender och risker. Detta flyttar dashboards från passiva rapporteringsverktyg till proaktiva beslutsstödsystem inbäddade i affärsprocesser.
Det bästa tillvägagångssättet är lagerbaserad design – börja med övergripande nyckeltal och tillåt detaljgranskningar för djupare analys. Ledare bör se till att dashboards ger omedelbar tydlighet samtidigt som de möjliggör detaljerad utforskning vid behov. Detta förhindrar överväldigande användare samtidigt som det stöder komplext beslutsfattande vid behov.